我准备用scikit-learn给大家介绍一下模型的一些基础知识，今天就来说说线性回归模型。1.在开始之前，您需要确保您的计算机上已经成功安装了Python和pip。如果没有，请访问这篇文章：超详细的Python安装指南进行安装。如果使用Python进行数据分析，可以直接安装Anaconda：Python数据分析与挖掘好帮手-AnacondaWindows环境打开Cmd（开始-运行-CMD），苹果系统环境请打开Terminal（命令+空格输入Terminal），准备开始输入命令来安装依赖。当然，我更推荐你使用VSCode编辑器，将本文代码复制，在编辑器下方的终端中运行命令安装依赖模块。多么惬意的一件事：Python编程的最佳搭档——VSCode详解指南。在终端输入如下命令安装我们需要的依赖模块：pipinstallscikit-learn2。简单的训练集冬天来了，这几天深圳准备开始过冬了。从生活出发，外界温度对是否穿大衣的影响是线性的：现在，考虑这样一个问题：如果深圳的温度是12度，我们是否应该穿大衣？这个问题很简单，Concentrated上面的简单训练，我们甚至不需要机器学习就可以轻松得到答案：应该。但是如果训练集变得稍微复杂一点怎么办：你能看出x1、x2、x3和y之间的规律性吗？这很难，但如果你有足够的数据（比如100），机器学习可以快速解决这个问题。为了展示机器学习的强大，这里我们制作100个这样的训练集（公式为：y=x1+2*x2+3*x3）：fromrandomimportrandintTRAIN_SET_LIMIT=1000TRAIN_SET_COUNT=100TRAIN_INPUT=list()TRAIN_OUTPUT=list()foriinrange(TRAIN_SET_COUNT):a=randint(0,TRAIN_SET_LIMIT)b=randint(0,TRAIN_SET_LIMIT)c=randint(0,TRAIN_SET_LIMIT)op=a+(2*b)+(3*c)TRAIN_INPUT.append([a,b,c])TRAIN_OUTPUT.append(op)然后让线性回归模型使用训练集（TrainingSet）进行训练（fit），然后给定三个参数（TestData），做一个预测（predict），让它得到y值(Prediction)，如下图所示。3.训练和测试我为什么要用sklearn？因为实在是太方便了。像这样训练只需要3行代码：fromsklearn.linear_modelimportLinearRegressionpredictor=LinearRegression(n_jobs=-1)predictor.fit(X=TRAIN_INPUT,y=TRAIN_OUTPUT)需要注意线性回归模型的参数（LinearRegression):n_jobs：默认为1，表示使用的CPU数量。当-1时，表示使用所有CPU预测器。fit是训练模型，X是我们生成训练集时的TRAIN_INPUT，Y是TRAIN_OUTPUT。训练后可以立即进行测试，只需调用预测函数即可：X_TEST=[[10,20,30]]outcome=predictor.predict(X=X_TEST)coefficients=predictor.coef_print('Outcome:{}\nCoefficients:{}'.format(outcome,coefficients))这里的系数指的是系数，即x1,x2,x3。得到的结果如下：Outcome:[140.]Coefficients:[1.2.3.]Verify:10+20*2+30*3=140完全正确。怎么样，机器学习模型其实并没有想象中那么难用。大多数人可能只是卡在了安装scikit-learn的路上……顺便给大家留个小练习，下面的欧氏距离，Representationusingalinearregressionmodel。解决思路其实和本文的解决方案类似，只是需要修改一下。
